ggplot2Lors de cette séance nous allons apprendre à visualiser des jeux de
données tabulaires avec ggplot2.
Pour cette formation, nous allons utiliser une version légèrement modifiée du jeu de données publié par Burghard et al 2015.
Il s’agit d’une expérience de phénotypage de plantes d’Arabidopsis thaliana qui ont poussé dans différentes conditions:
Des plantes de différents génotypes ont été analysées: des mutants et sauvages et des écotypes différents.
Pour chaque plante dans chaque condition plusieurs phénotypes ont été mesurés (voir illustration ci-dessous pour mieux comprendre les termes):
Il est possible de représenter les données de différentes manières et ggplot2 offre de nombreuses options de visualisation.
Parmi les plus connues:
Et encore plus. Pour toutes les découvrir, voir cette galerie de graphiques avec ggplot2
Ouvrez avec Rstudio le fichier
Script_ggplot_lesson.R qui est dans le répertoire
session2_ggplot/materiel.
Lors de cette séance nous allons utiliser plusieurs packages qui
contiennent les fonctions dont nous avons besoin:
- tidyverse qui contient plusieurs packages dont
ggplot2
- visdat qui permet une représentation rapide des
données
- plotly pour faire des graphiques interactifs
Ces packages sont normalement déjà installés. Pour les importer dans
votre session, utilisez la fonction library() :
library(tidyverse)
library(visdat)
library(plotly)
Vous devez aussi vous assurer que le répertoire de travail de R est
bien le dossier qui contient le matériel de la formation. Le chemin vers
ce dossier va être différent en fonction de votre système
opérateur.
Pour spécifier le répertoire de travail de R utilisez la fonction
setwd():
setwd("~/Desktop/2021_L3_R/session2_ggplot/materiel")
Ouvrez avec Rstudio le fichier
Script_ggplot_session.R qui est dans le répertoire
session2_ggplot/materiel. Nous allons coder ensemble dans
ce script, qui est quasiment vide pour le moment.
La version simplifiée des données est dans le dossier
session2_ggplot/data
(burghardt_et_al_2015_expt1.txt). Il s’agit de données pour
des phénotypes associés au temps nécessaire à des plantes de différents
génotypes pour fleurir dans différentes conditions.
Comme notre répertoire de travail est le dossier
materiel , nous devons importer les données ainsi:
# Import des données et chargement dans l'objet expt1
expt1 <- read_tsv("../data/burghardt_et_al_2015_expt1.txt")
## Rows: 957 Columns: 15
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: "\t"
## chr (6): genotype, background, fluctuation, vernalization, bolt.survival, bolt
## dbl (9): plant_nb, temperature, day.length, days.to.bolt, days.to.flower, ro...
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
La fonction read_tsv() imprime un message indiquant quel
type de données sont contenues dans les différentes colonnes du
fichier.
Dans notre cas, certaines colonnes contiennent des données de type “character” (du texte) et d’autres des données numériques (“double” en présence de décimale, “integer” en absence de décimale).
Pour regarder rapidement les données, tapez le nom de l’objet où sont
les données (expt1).
expt1
## # A tibble: 957 × 15
## plant_nb genotype background temperature fluctuation day.length vernalization
## <dbl> <chr> <chr> <dbl> <chr> <dbl> <chr>
## 1 1 Col Ama Col 12 Con 16 NV
## 2 2 Col Ama Col 12 Con 16 NV
## 3 3 Col Ama Col 12 Con 16 NV
## 4 4 Col Ama Col 12 Con 16 NV
## 5 5 Col Ama Col 12 Con 16 NV
## 6 6 Col Ama Col 12 Con 16 NV
## 7 7 Col Ama Col 12 Con 16 NV
## 8 8 Col Ama Col 12 Con 16 NV
## 9 1 Col Ama Col 12 Con 8 NV
## 10 2 Col Ama Col 12 Con 8 NV
## # ℹ 947 more rows
## # ℹ 8 more variables: bolt.survival <chr>, bolt <chr>, days.to.bolt <dbl>,
## # days.to.flower <dbl>, rosette.leaf.num <dbl>, cauline.leaf.num <dbl>,
## # blade.length.mm <dbl>, total.leaf.length.mm <dbl>
Cela va montrer les 10 premières lignes du tableau ainsi que les colonnes qui rentrent dans l’écran.
Combien y a-t-il de lignes et colonnes dans les données?
Une autre option est d’utiliser la fonction View() pour
accéder à une table interactive où il est possible de trier et filtrer
les données sans modifier l’objet:
View(expt1)
glimpse() permet d’avoir une idée de la
structure des données:glimpse(expt1)
## Rows: 957
## Columns: 15
## $ plant_nb <dbl> 1, 2, 3, 4, 5, 6, 7, 8, 1, 2, 3, 4, 5, 6, 7, 8, 1…
## $ genotype <chr> "Col Ama", "Col Ama", "Col Ama", "Col Ama", "Col …
## $ background <chr> "Col", "Col", "Col", "Col", "Col", "Col", "Col", …
## $ temperature <dbl> 12, 12, 12, 12, 12, 12, 12, 12, 12, 12, 12, 12, 1…
## $ fluctuation <chr> "Con", "Con", "Con", "Con", "Con", "Con", "Con", …
## $ day.length <dbl> 16, 16, 16, 16, 16, 16, 16, 16, 8, 8, 8, 8, 8, 8,…
## $ vernalization <chr> "NV", "NV", "NV", "NV", "NV", "NV", "NV", "NV", "…
## $ bolt.survival <chr> "Y", "Y", "Y", "Y", "Y", "Y", "Y", "Y", "Y", "Y",…
## $ bolt <chr> "Y", "Y", "Y", "Y", "Y", "Y", "Y", "Y", "Y", "Y",…
## $ days.to.bolt <dbl> 28, 29, 31, 31, 32, 33, 34, 35, 69, 72, 76, 79, 8…
## $ days.to.flower <dbl> 43, 44, 43, 42, 44, 47, 47, 49, 90, 91, 97, 99, 1…
## $ rosette.leaf.num <dbl> 18, 15, 13, 17, 19, 14, 15, 18, 53, 49, 51, 55, 5…
## $ cauline.leaf.num <dbl> 6, 5, 4, 5, 4, 4, 3, 5, 6, 5, 6, 9, 6, 9, 8, 10, …
## $ blade.length.mm <dbl> 12.9, 10.5, 13.2, 14.6, 13.3, 14.7, 13.0, 17.8, 2…
## $ total.leaf.length.mm <dbl> 21.1, 19.1, 23.4, 27.2, 20.4, 25.3, 23.2, 31.3, 3…
Quel est le type des variables dans les données ?
dim() indique les dimensions du jeu de données (nombre
de lignes et colonnes).dim(expt1)
## [1] 957 15
summary()
permet d’obtenir des stats de base pour chaque colonne.summary(expt1)
## plant_nb genotype background temperature
## Min. : 1.000 Length:957 Length:957 Min. :12.00
## 1st Qu.: 2.000 Class :character Class :character 1st Qu.:12.00
## Median : 4.000 Mode :character Mode :character Median :12.00
## Mean : 4.589 Mean :16.98
## 3rd Qu.: 7.000 3rd Qu.:22.00
## Max. :12.000 Max. :22.00
##
## fluctuation day.length vernalization bolt.survival
## Length:957 Min. : 8.00 Length:957 Length:957
## Class :character 1st Qu.: 8.00 Class :character Class :character
## Mode :character Median :16.00 Mode :character Mode :character
## Mean :12.01
## 3rd Qu.:16.00
## Max. :16.00
##
## bolt days.to.bolt days.to.flower rosette.leaf.num
## Length:957 Min. : 15.00 Min. : 21.00 Min. : 5.00
## Class :character 1st Qu.: 38.00 1st Qu.: 46.00 1st Qu.: 24.00
## Mode :character Median : 57.00 Median : 66.00 Median : 40.00
## Mean : 66.04 Mean : 71.59 Mean : 39.71
## 3rd Qu.: 85.00 3rd Qu.: 92.00 3rd Qu.: 53.00
## Max. :162.00 Max. :182.00 Max. :112.00
## NA's :83 NA's :95
## cauline.leaf.num blade.length.mm total.leaf.length.mm
## Min. : 1.000 Min. : 7.10 Min. : 9.00
## 1st Qu.: 5.000 1st Qu.:18.00 1st Qu.:29.10
## Median : 8.000 Median :20.95 Median :34.60
## Mean : 7.208 Mean :21.11 Mean :34.69
## 3rd Qu.: 9.000 3rd Qu.:24.30 3rd Qu.:40.27
## Max. :17.000 Max. :59.00 Max. :66.30
## NA's :96 NA's :327 NA's :303
Nous avons déjà utilisé de nombreuses fonctions:
install.packages()library()read_tsv()View()glimpse()summary()dim()Il est bien sûr difficile de ce souvenir du nom de toutes ces
fonctions, ce qu’elles font et comment les utiliser. Heureusement, pour
nous aider, une aide est disponible dans R en tapant le nom d’une
fonction précédé de ?
?summary
Bien sur, une recherche sur internet est aussi une solution très efficace pour trouver de l’aide!
Que fait la fonction
head()?
Comment regarder les dernières lignes de le notre jeu de données? (indice:
?tail)
Pour avoir une vue d’ensemble du jeu de données et détecter des
problèmes, nous allons utiliser la fonction vis_dat().
vis_dat(expt1)
Quel est le type de données le plus courant dans le jeu de données ? Y a-t-il des problème?
Le gris dans la figure générée par vis_dat() sont des
données manquantes. Plusieurs stratégies peuvent être utilisées:
Pour la formation, nous allons enlever les lignes contenant des données manquantes.
expt1 <- drop_na(expt1)
Combien de lignes nous reste-il?
Maintenant que nous avons vérifié la qualité de notre jeu de donnée, nous pouvons générer des graphiques afin d’en apprendre plus sur les données générées par l’expérience.
Nous allons utiliser le package R ggplot2, qui utilise
le principe de “grammar or graphics”. Il s’agit des briques du
graphique. Cette méthode permettant de combiner et superposer
différentes couches de briques:
Les trois premières briques sont essentielles: data, aesthetics et objet géométrique.
aes().geom_object,
et peut en avoir plusieurs. Par exemple:
geom_point pour des scatter plots, dot
plots)geom_line pour des tendance, séries
chronologiques)Pour plus d’information sur la création de graphique avec
ggplot2, voir cette
antisèche très utile.
Commençons avec un boxplot: Dessinons le days.to.flower
pour les différents génotypes.
La fonction ggplot() permet de commencer le graphique.
Il faut aussi indiquer les données à utiliser:
ggplot(expt1)
Mais cela ne produit qu’un canevas gris!
Il nous manque des briques. En l’occurrence nous devons indiquer
quelle aesthetics (c’est la terminologie de
ggplot2) nous voulons sur ce canevas gris. Nous devons
indiquer quelles sont les variables x et y du
boxplot.
ggplot(expt1, aes(x = genotype, y = days.to.flower))
ggplot indique maintenant les variables
genotype et days.to.flower de nos données sur
les axes x et y du graphique.
Mais toujours pas de graphique. C’est parce que nous pas indiqué à
ggplot quelle géométrie nous voulons dessiner sur
le canevas. Pour faire un boxplot, nous ajoutons au canevas
(littéralement avec un +) geom_boxplot():
ggplot(expt1, aes(genotype, days.to.flower)) +
geom_boxplot()
Exercice 1: Pouvez vous dessiner un violin plot? (indice:
?geom_violin)
BONUS Quel autre type de géométrie pouvez vous utilisez avec des données de ce type (catégories sur l’axe x et chiffres sur l’axe y)? Aide: Utilisez cet arbre de décision pour choisir les géométries appropriées.